<!-- WEHUB_ZH_README -->
> [!NOTE]
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。  
> [English](./README.en.md) · [原始项目](https://github.com/NVIDIA/TensorRT) · [上游 README](https://github.com/NVIDIA/TensorRT/blob/HEAD/README.md)  
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

[![License](https://img.shields.io/badge/License-Apache%202.0-blue.svg)](https://opensource.org/licenses/Apache-2.0) [![Documentation](https://img.shields.io/badge/TensorRT-documentation-brightgreen.svg)](https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html) [![Roadmap](https://img.shields.io/badge/Roadmap-Q3_2026-brightgreen.svg)](documents/tensorrt_roadmap_2026q3.pdf)

# :mega::mega: 公告 :mega::mega:

TensorRT 11.X 现已发布，带来强大的新功能，旨在加速您的 AI 推理工作流。随着此次重大版本升级，TensorRT 的 API 已得到精简，并移除了 10.X 中的部分遗留功能。

以下提供下列功能的迁移指南：
- 弱类型网络（Weakly-typed networks）及相关 API 已被移除，由 [强类型网络（Strongly Typed Networks）](https://docs.nvidia.com/deeplearning/tensorrt/latest/inference-library/advanced.html#strongly-typed-networks).
- 隐式量化（Implicit quantization）及相关 API 已被移除，由 [显式量化（Explicit Quantization）](https://docs.nvidia.com/deeplearning/tensorrt/latest/inference-library/work-quantized-types.html#explicit-quantization)
- IPluginV2 及相关 API 已被移除，由 [IPluginV3](https://docs.nvidia.com/deeplearning/tensorrt/latest/inference-library/extending-custom-layers.html#migrating-v2-plugins-to-ipluginv3)
- TREX 工具已被移除，由 [Nsight Deep Learning Designer](https://docs.nvidia.com/nsight-dl-designer/UserGuide/index.html#visualizing-a-tensorrt-engine)
- Python 3.9 及更早版本的 Python 绑定已被移除。适用于 RHEL/Rocky Linux 8 和 RHEL/Rocky Linux 9 的 RPM 软件包现依赖 Python 3.12。

# TensorRT 开源软件

本仓库包含 NVIDIA TensorRT 的开源软件（OSS）组件。其中包括 TensorRT 插件和 ONNX 解析器的源代码，以及演示 TensorRT 平台用法和能力的示例应用。这些开源软件组件是 TensorRT 正式发布（GA）版本的一个子集，并包含一些扩展和 bug 修复。

- 如需分步了解 TensorRT 导入路径（ONNX、Torch-TensorRT、HuggingFace/Optimum、Network Definition API）的演练，并查看示例和工具使用技巧，请参阅 [导入工作流指南](documents/import_workflows.md)。
- 如需查看各导入路径的逐模型支持矩阵（LLM、encoder-NLP、视觉、音频、diffusion、多模态），请参阅 [支持的模型](documents/supported_models.md)。
- 如需向 TensorRT-OSS 贡献代码，请参阅我们的 [贡献指南](CONTRIBUTING.md) 和 [编码规范](CODING-GUIDELINES.md)。
- 如需了解 TensorRT-OSS 版本中新增加和更新的内容摘要，请参阅 [更新日志](CHANGELOG.md)。
- 商务咨询请联系 [researchinquiries@nvidia.com](mailto:researchinquiries@nvidia.com)
- 媒体及其他咨询请联系 Hector Marinez：[hmarinez@nvidia.com](mailto:hmarinez@nvidia.com)

需要企业级支持？NVIDIA 全球支持可通过 [NVIDIA AI Enterprise 软件套件](https://www.nvidia.com/en-us/data-center/products/ai-enterprise/). 为 TensorRT 提供服务。访问 [NVIDIA LaunchPad](https://www.nvidia.com/en-us/launchpad/ai/ai-enterprise/) 可免费使用在 NVIDIA 基础设施上托管的一组 TensorRT 动手实验。

加入 [TensorRT 与 Triton 社区](https://www.nvidia.com/en-us/deep-learning-ai/triton-tensorrt-newsletter/)，了解最新产品更新、bug 修复、内容、最佳实践等。

# 智能体编码技能（Agentic Coding Skills）

与 TensorRT 使用和基准测试相关的多种技能可在[此处](.agents/skills)获取。安装方法请参阅您首选编码智能体的说明。

# 预构建 TensorRT Python 软件包

我们提供 TensorRT Python 软件包，便于安装。 \
安装方法：

```bash
pip install tensorrt
```

您可以跳过 **Build（构建）** 部分，直接通过 Python 使用 TensorRT。

# 构建

## 前置条件

要构建 TensorRT-OSS 组件，您首先需要以下软件包。

**TensorRT GA 构建**

- TensorRT v11.1.0.106
  - 可通过下方列出的直接下载链接获取

**系统软件包**

- [CUDA](https://developer.nvidia.com/cuda-toolkit)
  - 推荐版本：
  - cuda-13.3.0
  - cuda-12.9.0
- [CUDNN（可选）](https://developer.nvidia.com/cudnn)
  - cuDNN 8.9
- [GNU make](https://ftp.gnu.org/gnu/make/) >= v4.1
- [cmake](https://github.com/Kitware/CMake/releases) >= v3.31
- [python](https://www.python.org/downloads/) >= v3.10, <= v3.14.x
- [pip](https://pypi.org/project/pip/#history) >= v19.0
- 基础工具
  - [git](https://git-scm.com/downloads), [pkg-config](https://www.freedesktop.org/wiki/Software/pkg-config/), [wget](https://www.gnu.org/software/wget/faq.html#download)

**可选软件包**

- [NCCL](https://developer.nvidia.com/nccl/nccl-download) >= v2.19, < v3.0 — 仅在构建多设备支持（`-DTRT_BUILD_ENABLE_MULTIDEVICE=ON`）的 `sampleDistCollective` 示例时需要。
- 容器化构建
  - [Docker](https://docs.docker.com/install/) >= 19.03
  - [NVIDIA Container Toolkit](https://github.com/NVIDIA/nvidia-docker)
- PyPI 软件包（用于演示应用/测试）
  - [onnx](https://pypi.org/project/onnx/)
  - [onnxruntime](https://pypi.org/project/onnxruntime/)
  - [tensorflow-gpu](https://pypi.org/project/tensorflow/) >= 2.5.1
  - [Pillow](https://pypi.org/project/Pillow/) >= 9.0.1
  - [pycuda](https://pypi.org/project/pycuda/) < 2021.1
  - [numpy](https://pypi.org/project/numpy/)
  - [pytest](https://pypi.org/project/pytest/)
- 代码格式化工具（供贡献者使用）

  - [Clang-format](https://clang.llvm.org/docs/ClangFormat.html)
  - [Git-clang-format](https://github.com/llvm-mirror/clang/blob/master/tools/clang-format/git-clang-format)

  > 注意：[onnx-tensorrt](https://github.com/onnx/onnx-tensorrt), [cub](http://nvlabs.github.io/cub/), 和 [protobuf](https://github.com/protocolbuffers/protobuf.git) 软件包会随 TensorRT OSS 一起下载，无需单独安装。

## 下载 TensorRT 构建

1. #### 下载 TensorRT OSS

   ```bash
   git clone -b main https://github.com/nvidia/TensorRT TensorRT
   cd TensorRT
   git submodule update --init --recursive
   ```

2. #### （可选 - 若不使用 TensorRT 容器）指定 TensorRT GA 发布版构建路径

   若使用 TensorRT OSS 构建容器，TensorRT 库已预装在 `/usr/lib/x86_64-linux-gnu` 下，可跳过此步骤。

   否则请从 [NVIDIA Developer Zone](https://developer.nvidia.com) 通过下方直接链接下载并解压 TensorRT GA 构建：

   - [适用于 CUDA 13.3、Linux x86_64 的 TensorRT 11.1.0.106](https://developer.nvidia.com/downloads/compute/machine-learning/tensorrt/11.1.0/tars/TensorRT-Enterprise-11.1.0.106-Linux-x86_64-cuda-13.3-Release-external.tar.zst)
   - [适用于 CUDA 12.9、Linux x86_64 的 TensorRT 11.1.0.106](https://developer.nvidia.com/downloads/compute/machine-learning/tensorrt/11.1.0/tars/TensorRT-Enterprise-11.1.0.106-Linux-x86_64-cuda-12.9-Release-external.tar.zst)
   - [适用于 CUDA 13.3、Windows x86_64 的 TensorRT 11.1.0.106](https://developer.nvidia.com/downloads/compute/machine-learning/tensorrt/11.1.0/zip/TensorRT-Enterprise-11.1.0.106-Windows-amd64-cuda-13.3-Release-external.zip)
   - [适用于 CUDA 12.9、Windows x86_64 的 TensorRT 11.1.0.106](https://developer.nvidia.com/downloads/compute/machine-learning/tensorrt/11.1.0/zip/TensorRT-Enterprise-11.1.0.106-Windows-amd64-cuda-12.9-Release-external.zip)

   **示例：Ubuntu 22.04 x86-64，cuda-13.3**

   ```bash
   cd ~/Downloads
   tar --zstd -xvf TensorRT-Enterprise-11.1.0.106-Linux-x86_64-cuda-13.3-Release-external.tar.zst
   export TRT_LIBPATH=`pwd`/TensorRT-11.1.0.106/lib
   ```

   **示例：Windows x86-64，cuda-12.9**

   ```powershell
   Expand-Archive -Path TensorRT-Enterprise-11.1.0.106-Windows-amd64-cuda-12.9-Release-external.zip
   $env:TRT_LIBPATH="$pwd\TensorRT-11.1.0.106\lib"
   ```

## 配置构建环境

对于 Linux 平台，我们建议按照下文所述生成用于构建 TensorRT OSS 的 Docker 容器。若进行原生构建，请安装[先决条件](#prerequisites)中的 _System Packages_（系统软件包）。

1. #### 生成 TensorRT-OSS 构建容器。

   **示例：x86-64 上的 Ubuntu 24.04，使用 cuda-13.3（默认）**

   ```bash
   ./docker/build.sh --file docker/ubuntu-24.04.Dockerfile --tag tensorrt-ubuntu24.04-cuda13.3
   ```

   **示例：x86-64 上的 Rockylinux8，使用 cuda-13.3**

   ```bash
   ./docker/build.sh --file docker/rockylinux8.Dockerfile --tag tensorrt-rockylinux8-cuda13.3
   ```

   **示例：Ubuntu 24.04 交叉编译 Jetson（aarch64），使用 cuda-13.3（JetPack SDK）**

   ```bash
   ./docker/build.sh --file docker/ubuntu-cross-aarch64.Dockerfile --tag tensorrt-jetpack-cuda13.3
   ```

   **示例：aarch64 上的 Ubuntu 24.04，使用 cuda-13.3**

   ```bash
   ./docker/build.sh --file docker/ubuntu-24.04-aarch64.Dockerfile --tag tensorrt-aarch64-ubuntu24.04-cuda13.3
   ```

2. #### 启动 TensorRT-OSS 构建容器。
   **示例：Ubuntu 24.04 构建容器**
   ```bash
   ./docker/launch.sh --tag tensorrt-ubuntu24.04-cuda13.3 --gpus all
   ```
   > 注意：
   > <br> 1. 使用与步骤 1 中生成的构建容器对应的 `--tag`。
   > <br> 2. 在构建容器内访问 GPU（运行 TensorRT 应用程序）需要 [NVIDIA Container Toolkit](#prerequisites)。
   > <br> 3. Ubuntu 构建容器的 `sudo` 密码为 'nvidia'。
   > <br> 4. 使用 `--jupyter <port>` 指定端口号以启动 Jupyter notebooks。
   > <br> 5. 需要对此文件夹具有写入权限，因为该文件夹将以 uid:gid 1000:1000 挂载到 Docker 容器内。

## 构建 TensorRT-OSS

- 生成 Makefile 并构建

  **示例：Linux（x86-64）默认 cuda-13.3 构建**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DTRT_OUT_DIR=`pwd`/out
  make -j$(nproc)
  ```

  **示例：Linux（aarch64）默认 cuda-13.3 构建**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DTRT_OUT_DIR=`pwd`/out -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64-native.toolchain
  make -j$(nproc)
  ```

  **示例：Jetson Thor（aarch64）原生构建，使用 cuda-13.3**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DTRT_OUT_DIR=`pwd`/out -DTRT_PLATFORM_ID=aarch64
  CC=/usr/bin/gcc make -j$(nproc)
  ```

  > 注意：对于 protobuf 的原生 aarch64 构建，必须通过 CC= 显式指定 C 编译器。

  **示例：Ubuntu 24.04 交叉编译 Jetson Thor（aarch64），使用 cuda-13.3（JetPack）**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64_cross.toolchain
  make -j$(nproc)
  ```

  **示例：Ubuntu 24.04 交叉编译 DriveOS（aarch64），使用 cuda-13.3**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64_dos_cross.toolchain
  make -j$(nproc)
  ```

  **示例：Windows（x86）原生构建，使用 cuda-13.3**

  ```bash
  cd $TRT_OSSPATH
  New-Item -ItemType Directory -Path build
  cd build
  cmake .. -DTRT_LIB_DIR="$env:TRT_LIBPATH" -DTRT_OUT_DIR="$pwd\\out"
  msbuild TensorRT.sln /property:Configuration=Release -m:$env:NUMBER_OF_PROCESSORS
  ```

  > 注意：CMake 默认使用的 CUDA 版本为 13.3。若要覆盖此设置（例如改为 12.9），请在 cmake 命令后追加 `-DCUDA_VERSION=12.9`。

- 必需的 CMake 构建参数：
  - `TRT_LIB_DIR`：包含库的 TensorRT 安装目录路径。
  - `TRT_OUT_DIR`：生成的构建产物将被复制到的输出目录。
- 可选的 CMake 构建参数：
  - `CMAKE_BUILD_TYPE`：指定生成的二进制文件用于 release 还是 debug（包含调试符号）。取值包括 [`Release`] | `Debug`
  - `CUDA_VERSION`：目标 CUDA 版本，例如 [`12.9.9`]。
  - `CUDNN_VERSION`：目标 cuDNN 版本，例如 [`8.9`]。
  - `PROTOBUF_VERSION`：要使用的 Protobuf 版本，例如 [`3.20.1`]。注意：更改此项不会配置 CMake 使用系统版 Protobuf，而是会配置 CMake 下载并尝试构建该版本。
  - `CMAKE_TOOLCHAIN_FILE`：用于交叉编译的工具链文件路径。
  - `BUILD_PARSERS`：指定是否构建 parsers，例如 [`ON`] | `OFF`。若设为 OFF，CMake 将尝试查找预编译的 parser 库以用于编译 samples。首先在 `${TRT_LIB_DIR}` 中查找，然后在系统中查找。若构建类型为 Debug，则在可用时优先使用库的 debug 构建版本，而非 release 版本。
  - `BUILD_PLUGINS`：指定是否构建 plugins，例如 [`ON`] | `OFF`。若设为 OFF，CMake 将尝试查找预编译的 plugin 库以用于编译 samples。首先在 `${TRT_LIB_DIR}` 中查找，然后在系统中查找。若构建类型为 Debug，则在可用时优先使用库的 debug 构建版本，而非 release 版本。
  - `BUILD_SAMPLES`：指定是否构建 samples，例如 [`ON`] | `OFF`。
  - `BUILD_SAFE_SAMPLES`：指定是否构建 safety samples，例如 [`ON`] | `OFF`。
  - `TRT_SAFETY_INFERENCE_ONLY`：指定是否仅构建 safety inference 组件，例如 [`ON`] | `OFF`。若设为 ON，除 `BUILD_SAFE_SAMPLES` 外，所有其他组件都将设为 OFF。
  - `TRT_PLATFORM_ID`：裸机构建（与容器化交叉编译不同）。当前支持的选项：`x86_64`（默认）。
  - `TRT_BUILD_ENABLE_MULTIDEVICE`：启用多设备 sample（`sampleDistCollective`）。使用 `-DTRT_BUILD_ENABLE_MULTIDEVICE=ON` 进行构建；需要 [NCCL](https://developer.nvidia.com/nccl/nccl-download) >= v2.19, < v3.0。
  - `TRT_BUILD_TESTING` ：为 samples 构建 gTests。需要 [gtest](https://github.com/google/googletest)（若可用）；否则在配置时获取 googletest。

## 构建 TensorRT DriveOS Samples

- 生成 Makefile 并构建

  **示例：交叉编译 DOS7 Linux（aarch64）**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DBUILD_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF -DTRT_OUT_DIR=`pwd`/bin_dynamic_cross -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64_dos_cross.toolchain
  make -j$(nproc)
  ```

  **示例：交叉编译 DOS6.5 Linux（aarch64）**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DBUILD_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF -DTRT_OUT_DIR=`pwd`/bin_dynamic_cross -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64_dos_cross.toolchain -DCUDA_VERSION=11.4 -DCMAKE_CUDA_ARCHITECTURES=87
  make -j$(nproc)
  ```

  **示例：DOS6.5 和 DOS7 Linux（aarch64）原生构建**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  cmake .. -DTRT_LIB_DIR=$TRT_LIBPATH -DTRT_OUT_DIR=`pwd`/out -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_aarch64-native.toolchain -DBUILD_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF
  make -j$(nproc)
  ```

  **示例：交叉编译 DOS6.5 QNX（aarch64）**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  export CUDA_VERSION=11.4
  export CUDA=cuda-$CUDA_VERSION
  export CUDA_ROOT=/usr/local/cuda-safe-$CUDA_VERSION
  export QNX_BASE=/drive/toolchains/qnx_toolchain  # Set to your QNX toolchain installation path
  export QNX_HOST=$QNX_BASE/host/linux/x86_64/
  export QNX_TARGET=$QNX_BASE/target/qnx7/
  export PATH=$PATH:$QNX_HOST/usr/bin
  cmake .. -DBUILD_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF -DBUILD_SAFE_SAMPLES=OFF -DCMAKE_CUDA_COMPILER=$CUDA_ROOT/bin/nvcc -DTRT_OUT_DIR=`pwd`/bin_dynamic_cross -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_qnx.toolchain -DCUDA_VERSION=$CUDA_VERSION -DCMAKE_CUDA_ARCHITECTURES=87
  make -j$(nproc)
  ```

> 注意：将 `QNX_BASE` 设置为你的 QNX 工具链安装路径。
  > 若你的 CUDA 版本与示例不同，请设置 `CUDA_VERSION`（在示例中多处使用时），或在 cmake 命令中添加 `-DCUDA_VERSION=<version>`。

  **示例：为 DOS6.5 QNX Safety（aarch64）交叉编译**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  export CUDA_VERSION=11.4
  export QNX_BASE=/drive/toolchains/qnx_toolchain  # 设置为你的 QNX 工具链安装路径
  export QNX_HOST=$QNX_BASE/host/linux/x86_64/
  export QNX_TARGET=$QNX_BASE/target/qnx7/
  export PATH=$PATH:$QNX_HOST/usr/bin
  export CUDA=cuda-$CUDA_VERSION
  export CUDA_ROOT=/usr/local/cuda-safe-$CUDA_VERSION
  cmake .. -DBUILD_SAMPLES=OFF -DBUILD_SAFE_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF -DTRT_SAFETY_INFERENCE_ONLY=ON -DTRT_OUT_DIR=`pwd`/bin_dynamic_cross -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_qnx_safe.toolchain -DCUDA_VERSION=$CUDA_VERSION -DCMAKE_CUDA_COMPILER=$CUDA_ROOT/bin/nvcc -DCMAKE_CUDA_ARCHITECTURES=87
  make -j$(nproc)
  ```

  > 注意：将 `QNX_BASE` 设置为你的 QNX 工具链安装路径。
  > 若你的 CUDA 版本与示例不同，请设置 `CUDA_VERSION`（在示例中多处使用时），或在 cmake 命令中添加 `-DCUDA_VERSION=<version>`。

  **示例：为 DOS7 QNX（aarch64）交叉编译**

  ```bash
  cd $TRT_OSSPATH
  mkdir -p build && cd build
  export CUDA_VERSION=13.3
  export CUDA=cuda-$CUDA_VERSION
  export CUDA_ROOT=/usr/local/cuda-safe-$CUDA_VERSION
  export QNX_BASE=/drive/toolchains/qnx_toolchain  # 设置为你的 QNX 工具链安装路径
  export QNX_HOST=$QNX_BASE/host/linux/x86_64/
  export QNX_TARGET=$QNX_BASE/target/qnx/
  export PATH=$PATH:$QNX_HOST/usr/bin
  cmake .. -DBUILD_SAMPLES=ON -DBUILD_PLUGINS=OFF -DBUILD_PARSERS=OFF -DBUILD_SAFE_SAMPLES=OFF -DCMAKE_CUDA_COMPILER=$CUDA_ROOT/bin/nvcc -DTRT_OUT_DIR=`pwd`/bin_dynamic_cross -DTRT_LIB_DIR=$TRT_LIBPATH -DCMAKE_TOOLCHAIN_FILE=$TRT_OSSPATH/cmake/toolchains/cmake_qnx.toolchain -DCUDA_VERSION=$CUDA_VERSION -DCMAKE_CUDA_ARCHITECTURES=110
  make -j$(nproc)
  ```

  > 注意：将 `QNX_BASE` 设置为你的 QNX 工具链安装路径。
  > 若你的 CUDA 版本与示例不同，请设置 `CUDA_VERSION`（在示例中多处使用时），或在 cmake 命令中添加 `-DCUDA_VERSION=<version>`。

# 参考资料

## TensorRT 资源

- [TensorRT 开发者主页](https://developer.nvidia.com/tensorrt)
- [TensorRT 快速入门指南](https://docs.nvidia.com/deeplearning/tensorrt/quick-start-guide/index.html)
- [TensorRT 开发者指南](https://docs.nvidia.com/deeplearning/tensorrt/developer-guide/index.html)
- [TensorRT 示例支持指南](https://docs.nvidia.com/deeplearning/tensorrt/sample-support-guide/index.html)
- [TensorRT ONNX 工具](https://docs.nvidia.com/deeplearning/tensorrt/index.html#tools)
- [TensorRT 讨论论坛](https://devtalk.nvidia.com/default/board/304/tensorrt/)
- [TensorRT 发布说明](https://docs.nvidia.com/deeplearning/tensorrt/release-notes/index.html)

## 已知问题

- 请参阅 [TensorRT 发布说明](https://docs.nvidia.com/deeplearning/tensorrt/release-notes)